DILA · Services du Premier ministre: Construire une plateforme d’IA souveraine pour accélérer la livraison de solutions RAG et d’IA agentique
Un socle d’IA souverain et réutilisable pour accélérer la livraison d’applications RAG et agentiques.
RÔLE
Direction produit & livraison IA | GenAI souveraine (équipe de 9 personnes)
CLIENT
DILA, Services du Premier ministre
FOCUS
IA souveraine · IA agentique · RAG · Ingénierie de plateforme · Gouvernance de l’IA
ANNÉE
2026
Seules des informations publiques ou validées par le client sont partagées ici : ni architecture interne, ni documents, ni données, ni chiffres confidentiels.
01 / 05
Le défi
Les institutions publiques doivent déployer l’IA générative tout en respectant des exigences strictes de souveraineté des données, de sécurité, de traçabilité et de conformité réglementaire.
Or, construire chaque application d’IA de manière indépendante crée une duplication importante : ingestion de documents, embeddings, récupération, orchestration, contrôles de sécurité, évaluation et observabilité doivent souvent être reconstruits pour chaque projet.
L’objectif était de dépasser les preuves de concept isolées et d’établir un socle d’IA souverain et réutilisable, capable d’accélérer le développement d’applications RAG et agentiques prêtes pour la production.
02 / 05
Ma contribution
J’ai dirigé une équipe de 9 personnes sur l’approche produit et de livraison d’une plateforme de GenAI souveraine, avec un accent fort sur l’architecture modulaire, la réutilisation des composants et une livraison d’IA qui passe à l’échelle.
03 / 05
L’approche
Architecture d’IA souveraine définir une approche de plateforme compatible avec des exigences strictes d’hébergement, de sécurité et de souveraineté des données, notamment SecNumCloud.
Briques d’IA réutilisables définir des capacités partagées d’ingestion de documents, de découpage, d’embeddings, de récupération hybride, de reranking, de gestion des prompts et d’intégration des LLM.
Orchestration agentique structurer des workflows réutilisables pour l’appel d’outils, le raisonnement en plusieurs étapes et l’exécution de tâches par des agents.
Usine à RAG standardiser la création d’assistants IA documentaires à partir de chaînes de récupération configurables plutôt que d’implémentations propres à chaque projet.
Cadre d’évaluation introduire des mesures systématiques de la qualité du RAG, dont la fidélité, la pertinence des réponses, la précision et le rappel du contexte.
Gouvernance dès la conception intégrer la gestion des accès, la traçabilité, l’auditabilité et les exigences de souveraineté dans des composants de plateforme réutilisables.
Accélération de la livraison établir des modèles d’implémentation reproductibles pour réduire l’effort de développement et gagner en cohérence entre projets d’IA.
04 / 05
Impact
Des projets d’IA isolés à une plateforme réutilisable. Cette approche a fait passer le modèle de développement de la construction indépendante de chaque application à l’assemblage de composants d’IA standardisés et gouvernés.
Les nouvelles applications RAG pouvaient réutiliser les capacités partagées de traitement de documents, de récupération, d’évaluation et de sécurité. Les applications agentiques pouvaient s’appuyer sur des modèles d’orchestration et des intégrations d’outils existants.
Cela a réduit le travail d’ingénierie dupliqué, accéléré l’expérimentation et instauré une approche plus cohérente de la qualité et de la gouvernance de l’IA.
70 %
de création de contenu plus rapide
−60 %
de délai de livraison d’une application RAG, de 10 à 4 semaines
75 %
des capacités techniques communes réutilisées
0,94
fidélité du RAG
−30 %
de coût par requête d’IA, grâce à l’optimisation des chaînes et à la réutilisation
Prototypage de workflows agentiques : −50 % de temps d’implémentation
Pertinence des réponses : 0,91
Précision du contexte : 0,89
Rappel du contexte : 0,92
Couverture de l’évaluation : 85 % des scénarios RAG prioritaires
Chiffres confirmés avec l’équipe projet. Méthode d’évaluation communiquée sur demande.
05 / 05
Ce que j’ai appris
La vraie valeur d’une plateforme d’IA d’entreprise n’est pas seulement l’intelligence qu’elle apporte, mais la rapidité et la fiabilité avec lesquelles elle permet de construire la prochaine application. Traiter les chaînes RAG, les workflows agentiques, l’évaluation et la gouvernance comme des capacités de plateforme réutilisables fait de l’IA souveraine un modèle d’ingénierie qui passe à l’échelle, et non un ensemble d’expériences déconnectées.
